Programa de Experto en LLM Engineering e IA Agéntica
Repositorio de estudio autodidacta que cubre, en profundidad y con práctica real, el temario completo de un programa de experto en LLM Engineering (10 ECTS): fundamentos de LLMs, prompt engineering, sistemas RAG, agentes
Repositorio de estudio autodidacta que cubre, en profundidad y con práctica real, el temario completo de un programa de experto en LLM Engineering (10 ECTS): fundamentos de LLMs, prompt engineering, sistemas RAG, agentes, LLMOps y un proyecto capstone de nivel producción. Incluye preparación para las certificaciones AWS Certified AI Practitioner (AIF-C01) y NVIDIA Certified Associate: Generative AI LLMs (NCA-GENL).
Stack vigente del programa#
Foto revisada el 21 de agosto de 2026. Los defaults ejecutables son
gpt-5.6-luna y
claude-haiku-4-5; el módulo de
routing compara GPT-5.6 Luna, Terra y Sol. La panorámica incluye Claude Sonnet/Opus 5, Gemini 3.x,
Llama 4, Mistral Small 4 y la familia Qwen actual. GPT-4o, GPT-3 y Llama 3 solo aparecen cuando son
necesarios para explicar historia, papers o tokenizadores, nunca como defaults de una integración
nueva.
El código nuevo usa OpenAI Responses, structured outputs y function calling actuales;
Anthropic Messages/tool use; LangGraph 1.2; MCP Python SDK 2.x y RAGAS 0.4.3. Todos
los modelos son configurables por .env: una actualización del catálogo no exige modificar el
código ni invalida los datasets de evaluación.
Estructura del repo#
| Carpeta | Contenido | ECTS |
|---|---|---|
modulo-01-fundamentos-llm/ |
Arquitectura transformer, tokenización, parámetros de generación, panorámica de modelos, Amazon Bedrock y APIs de OpenAI/Anthropic | 0,5 |
modulo-02-prompt-engineering/ |
Zero/few-shot, chain-of-thought, function calling, structured outputs (Pydantic + Instructor), evaluación y versionado de prompts | 1,5 |
modulo-03-rag/ |
RAG de producción: chunking, vector DBs, reranking, RAG avanzado (HyDE, self-RAG, CRAG), evaluación con RAGAS, app full-stack | 2 |
modulo-04-agentes/ |
Patrones de agentes (ReAct, reflection), LangGraph, MCP, tool use, multi-agente, memoria, Bedrock Agents, alignment | 2 |
modulo-05-llmops/ |
Observabilidad, evaluación continua, optimización de costes, Docker/K8s, vLLM/Ollama, AWS, Responsible AI, seguridad | 2 |
modulo-06-capstone/ |
Proyecto final: RAG + agente autónomo desplegado en cloud con LLMOps y costes controlados | 2 |
certificaciones/ |
Guías de estudio, flashcards y simulacros para AIF-C01 y NCA-GENL | — |
setup/ |
Entorno de desarrollo, dependencias y claves API | — |
recursos/ |
Bibliografía, papers, cursos y enlaces comentados | — |
Cómo usar este repo#
- Prepara el entorno siguiendo
setup/README.md(Python 3.12 +uv, claves API en.env). - Sigue los módulos en orden. Cada módulo tiene:
README.md— mapa del módulo y objetivos de aprendizajeteoria/— apuntes en profundidad, un fichero por temalabs/— código ejecutable, un lab por concepto claveejercicios.md— ejercicios propuestos con criterios de aceptación y tests públicos
Las soluciones de referencia no forman parte del repositorio público. La corrección se apoya en
tests, rúbricas y evidencia reproducible para que completar un ejercicio demuestre competencia.
El CI ejecuta node scripts/validate-public-content.mjs y bloquea cualquier filtración por ruta o
marcador reservado.
3. Trabaja las certificaciones en paralelo: AIF-C01 se cubre en los módulos 1–5 y NCA-GENL en los módulos 2–6. Los enunciados de los simulacros están en certificaciones/; la corrección razonada se integra desde la fuente privada de la web.
4. Cierra con el capstone del módulo 6, que integra todo lo anterior.
El calendario sugerido y el detalle completo del temario están en PLAN_DE_ESTUDIOS.md.
Versión web y progreso#
llmengineerclub.com transforma este contenido en una experiencia Astro bilingüe con ruta guiada, buscador, herramientas locales, simulacros, flashcards, diagnóstico y portfolio. No requiere cuenta: el progreso vive en el navegador. La autoría de cada página se sincroniza desde las PR fusionadas y enlaza al perfil público de quien creó, mejoró o revisó el contenido.
El Club Quiz es una experiencia voluntaria y separada: ofrece una práctica local con preguntas retiradas y un único intento oficial por passkey seudónima. La puntuación tiene en cuenta los aciertos y la velocidad medida en servidor. No usa cookies y el resultado queda privado por defecto; solo después se puede vincular voluntariamente un perfil social para optar al ranking. Cada resultado dispone de una prueba Ed25519 verificable.
Este repositorio contiene conocimiento, enunciados, datos ficticios y criterios verificables. Los solucionarios editoriales de ejercicios se mantienen fuera del repositorio público y del artefacto web. Las claves de simulacro tampoco viven aquí: la web las combina desde su fuente privada y solo muestra la corrección después de entregar el examen.
Las PR también pueden proponer objetivos y blueprints para futuras preguntas. El material exacto de una edición competitiva se transforma y revisa fuera del historial público; cuando se retira, puede volver aquí como práctica abierta. Consulta la política de contribuciones al Club Quiz.
Validación local#
node scripts/validate-public-content.mjs
node scripts/validate-course-contracts.mjs
node scripts/validate-current-stack.mjs
node scripts/validate-certification-currency.mjs
node scripts/validate-translations.mjs --complete
uv sync --locked --extra dev
uv run ruff check .
uv run python -m compileall -q modulo-* setup translations/en
uv run pytest -q
La validación de stack rechaza modelos legacy como defaults y obliga a revisar el catálogo del curso cada 120 días. La de certificaciones fija los contratos publicados de AIF-C01 revisión 1.1 y NCA-GENL y rechaza nomenclatura retirada. La validación bilingüe conserva bloques de código, destinos de enlaces y el AST ejecutable de cada lab.
Consulta CONTRIBUTING.md antes de abrir una PR. Toda contribución fusionada
conserva atribución permanente en la web.
Requisitos previos#
- Un año de experiencia en programación full-stack (Python es el lenguaje del repo).
- Fundamentos de ML: modelo, entrenamiento, validación, sobreajuste, métricas.
- APIs REST: HTTP, JSON, autenticación por API key.
- VS Code o Jupyter y Git básico.
- Recomendado: NumPy/pandas, SQL, algo de AWS y haber usado ChatGPT/Claude en contexto técnico.
Salidas profesionales que cubre el temario#
LLM Engineer / AI Engineer · RAG Systems Engineer · AI Agents Developer · AI Product Engineer · Consultor/freelance de IA.